Seguimiento de KPI en la simulación de fabricación: compara escenarios de forma justa

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

Por Mirko Peters · 2026-11-12

El seguimiento de KPI en la simulación de fabricación empieza por definir unos pocos KPI tal como los define tu planta. Aprende a ejecutar escenarios, interpretar resultados e informar de ellos.

Traducido automáticamente con IA a partir de la publicación original. Lee el original en inglés

El seguimiento de KPI en la simulación de fabricación consiste en elegir un conjunto reducido de indicadores de rendimiento antes de construir el modelo, calcularlos en el modelo exactamente como los calcula la planta y comparar escenarios con esos números. Si las definiciones del modelo y de la planta no coinciden, los resultados no son fiables, por muy bueno que parezca el panel. Este artículo va dirigido a responsables de planta e ingenieros de procesos que realizan estudios de simulación o que deben interpretar los resultados y tomar decisiones con ellos.

Puntos clave

• El seguimiento de KPI en simulación consiste en elegir unos pocos KPI antes de construir el modelo y calcularlos exactamente como los calcula la planta.
• ISO 22400-2 muestra la disciplina necesaria: cada KPI se describe mediante su fórmula, sus elementos, su comportamiento temporal y su unidad.
• Una sola ejecución de simulación es una única muestra, así que usa varias réplicas e informa de una media con un intervalo de confianza.
• Cambia una sola cosa por escenario, compara los escenarios con las mismas definiciones de KPI y valida primero la línea base frente a un periodo real pasado.
• Los resultados de simulación no son en tiempo real, así que un panel alimentado por ellos debe actualizarse después de cada lote de ejecuciones y etiquetarse por escenario.

¿Qué es el seguimiento de KPI en la simulación de fabricación?

Un modelo de simulación genera una gran cantidad de datos brutos: cada pieza, cada espera y cada estado de cada máquina a lo largo del tiempo simulado. El seguimiento de KPI convierte esa salida en un puñado de números que las personas pueden comparar. Mientras que la simulación de fábrica responde a "¿qué pasa si cambiamos esto?", los KPI indican cuánto, en términos que la planta ya utiliza.

Esto puede salir mal de dos maneras. En la primera, el equipo mide lo que resulta fácil de obtener del software del modelo y acaba con cifras que nadie en la planta reconoce. En la segunda, el equipo copia una larga lista de KPI de una plantilla de panel, y el estudio se ahoga en números que no tienen relación con la decisión.

La solución es la misma en ambos casos. Parte de la decisión, por ejemplo "¿añadimos un segundo turno en la línea de montaje o compramos una segunda máquina?", y pregúntate qué números te harían elegir una opción frente a la otra. Esos son tus KPI.

¿Qué KPI deben incluirse en un estudio de simulación?

Mantén la lista corta. Entre cinco y siete es suficiente. Estas son opciones habituales, y cuáles importan depende de tu pregunta:

1. Rendimiento (throughput). Unidades buenas producidas por hora, turno o semana.
2. Lead time. Cuánto tarda un pedido o una pieza desde su lanzamiento hasta su finalización.
3. Trabajo en curso (WIP). Cuánto material hay en el sistema en un momento dado. Suele variar junto con el lead time.
4. Utilización de recursos. Qué proporción del tiempo disponible están ocupadas las máquinas y las personas. Fíjate en el cuello de botella y en el recurso que está junto a él.
5. Tiempo de espera y longitud de cola delante del cuello de botella.
6. Entrega a tiempo, si el modelo incluye fechas de entrega.
7. OEE, si las pérdidas del equipo son el factor limitante.

Sobre el OEE, sé concreto. El Lean Enterprise Institute describe la eficacia global de los equipos como una métrica de mantenimiento productivo total que multiplica las tasas de disponibilidad, rendimiento y calidad, y señala que suele centrarse en las seis grandes pérdidas: averías, ajustes, paradas menores, reducciones de velocidad, desperdicio y retrabajo. El OEE solo tiene sentido en una simulación si el modelo contiene esas pérdidas, como el comportamiento de las averías, los cambios de formato y las tasas de desperdicio. Si no es así, una cifra de OEE obtenida del modelo es una suposición con decimales. En una línea multiproducto con un cambio de formato largo, el OEE también puede ocultar lo que impulsa el coste y el plazo de entrega, así que combínalo con el lead time o con la entrega a tiempo.

Evita los KPI que el modelo no puede influir. Si tus escenarios cambian el patrón de turnos, una puntuación de satisfacción del cliente no tiene cabida en el estudio.

¿Cómo defines los KPI para que el modelo y la planta coincidan?

Redacta una hoja de KPI de una página antes de la primera ejecución. Para cada KPI, indica:

• el nombre y la pregunta a la que responde,
• la fórmula y sus elementos,
• la base temporal, por ejemplo por turno, por semana natural o por hora de producción planificada,
• la unidad,
• de dónde sale el valor real en la planta,
• quién es responsable de la definición.

Es la disciplina que siguen los estándares de este ámbito. La página de ISO sobre ISO 22400-2, que define los indicadores clave de rendimiento para la gestión de operaciones de fabricación, indica que cada KPI se describe mediante su fórmula y elementos, su comportamiento temporal, su unidad o dimensión, su grupo de usuarios y la metodología de producción a la que pertenece. La página que leí describe el borrador de la segunda edición, que sustituirá a la versión de 2014, así que comprueba la edición vigente si piensas citar la norma. No tienes que adoptar la norma para aprovechar su hábito: una definición precisa por KPI.

La mayoría de los desacuerdos vienen del tiempo. La "disponibilidad" cambia según la respuesta a "¿disponible sobre qué?". La descripción del OEE del LEI mide el tiempo de parada por averías y cambios de formato en relación con el tiempo programado, así que el tiempo programado debe quedar claramente definido en tu hoja. ¿Incluye el mantenimiento planificado? ¿Las pausas? ¿Un turno que el calendario marca como no laborable? Resuélvelo antes de construir el modelo, porque cambia todos los resultados.

Después haz la comprobación que da valor a la hoja: calcula los mismos KPI a partir de un periodo real pasado con datos de la planta, y compáralos con lo que produce el modelo cuando introduces ese periodo.

¿Cómo ejecutas los escenarios y lees los resultados?

Una ejecución de simulación es una muestra aleatoria. Las averías, los tiempos de llegada y los tiempos de proceso varían, así que dos ejecuciones del mismo escenario dan respuestas distintas. Trata una sola ejecución como una anécdota.

1. Valida la línea base. Ejecuta el modelo para un periodo que conozcas y compara los KPI con la realidad. Si el modelo no puede reproducir el pasado dentro de un rango aceptable, corrígelo antes de probar cualquier cambio.
2. Usa réplicas. Ejecuta cada escenario varias veces con flujos de números aleatorios independientes. Una clase del MIT sobre diseño de experimentos de simulación describe fijar el número de réplicas según un objetivo de precisión: sigues ejecutando hasta que el intervalo de confianza sea lo bastante estrecho en relación con la estimación. También señala que, con menos de 30 réplicas, el intervalo se calcula con la distribución t de Student.
3. Gestiona el calentamiento. En una planta que funciona de forma continua, el modelo arranca vacío y necesita tiempo para alcanzar la operación normal. La misma clase describe descartar la primera parte de cada réplica y menciona el método de Welch para elegir cuánto descartar. Si tu pregunta se refiere a un periodo definido, como un lote de pedidos, inicia el modelo en el estado que tiene la planta en ese momento.
4. Cambia una sola cosa por escenario. Si el escenario B añade una máquina y cambia el patrón de turnos y el tamaño del lote, no sabrás cuál de los cambios produjo cada efecto.
5. Informa de rangos. "El throughput sube entre un 4% y un 9%" es más honesto que "sube un 6.5%". Si los intervalos de dos escenarios se solapan mucho, di que los datos no permiten distinguirlos.
6. Mira todo el flujo. Una mejora en una máquina puede desplazar el cuello de botella a otro punto. Revisa la utilización y las colas a lo largo del flujo, no solo en la estación que has cambiado.

Mantén un registro de escenarios: una lista con el nombre del escenario, qué cambió, los supuestos, el número de réplicas y la fecha. Sin él, nadie recordará dentro de seis meses por qué se eligió el escenario 7.

¿Cómo muestras los KPI de simulación a los directivos?

Los directivos necesitan la comparación, no los resultados en bruto. Funciona bien una página sencilla: el caso base y cada escenario lado a lado, con los mismos pocos KPI, con el rango de valores y una nota sobre lo que cambia en cada escenario.

En un entorno de Microsoft, una vía habitual es cargar una tabla de resultados en Power BI. Cada fila contiene el escenario, la réplica, el nombre del KPI y el valor, lo que te permite construir la comparación y filtrar por escenario. La documentación de Microsoft sobre actualización de datos explica que los datos importados en un modelo semántico son una copia en un momento concreto, por lo que hay que actualizarlos para ver datos nuevos. Para los resultados de simulación esto encaja bien: actualizas después de un lote de ejecuciones, y no antes.

Se derivan dos puntos prácticos:

• Marca cada visual como resultado de escenario, con la fecha de la última ejecución. Las cifras de previsión junto a las cifras reales de planta invitan a malas interpretaciones.
• Compara lo planificado con lo real más adelante, cuando el cambio esté implantado, usando las mismas definiciones de KPI. Ahí es donde la hoja de KPI demuestra su valor.

Si quieres una vista en tiempo real de la planta junto al modelo, es un trabajo aparte con su propia fuente de datos. Considéralo la siguiente fase, una vez que los KPI de simulación sean fiables.

¿Cómo mantienes el modelo fiable a lo largo del tiempo?

Un modelo que es correcto en marzo puede dejar de serlo en septiembre, porque el proceso ha evolucionado.

• Recalibra. Compara los KPI del modelo con los KPI reales cada trimestre, o después de cualquier cambio importante, y ajusta las entradas si se desvían.
• Asigna responsables a los datos de entrada. Los tiempos de ciclo, los tiempos de preparación, el comportamiento ante fallos y los calendarios de turnos necesitan un responsable designado que los actualice. Trata los datos de simulación como un producto que tiene un mantenedor.
• Incluye a las personas donde importa. Los operarios cambian los resultados a través de las ausencias, la habilidad y la variación en el ritmo de trabajo. No hace falta modelar la fatiga para verlo: usar una variación realista en los tiempos de ciclo y la dotación real por turno te lleva bastante lejos. Pregunta a los jefes de turno si los supuestos del modelo les parecen correctos.
• Revisa los objetivos. No incorpores al modelo un benchmark de otra planta sin comprobar si encaja con tu mix de productos. Usa primero tu propio caso base.

Errores comunes

• Empezar por el panel. Define primero los KPI y la pregunta.
• Demasiados KPI. Una página con veinte cifras no se leerá.
• Definiciones distintas en el modelo y en la planta. Entonces no es posible ninguna comparación.
• Una sola ejecución por escenario. La aleatoriedad decidirá la conclusión por ti.
• Saltarse la validación del caso base. Si el modelo no puede reproducir el pasado, sus previsiones no tienen fundamento.
• Cambiar varias cosas en cada escenario. No aprendes nada sobre la causa.
• Presentar previsiones como datos en vivo. Etiqueta claramente los resultados de escenario.
• Ningún responsable de los datos de entrada del modelo. Los datos antiguos producen respuestas erróneas con total seguridad.

Dónde encaja Polaris

Para este tipo de estudios, iFAKT Polaris ofrece dos módulos que conviene considerar. iFAKT describe el Polaris Simulator como una herramienta que prueba el sistema productivo de forma virtual antes de tomar decisiones reales, con escenarios de capacidad, dotación y stocks intermedios, y muestra los cuellos de botella y los desequilibrios de utilización a lo largo del tiempo. El Polaris Analyzer proporciona paneles de KPI de todos los módulos y compara los valores planificados con los reales. Como con cualquier herramienta, comprueba que las definiciones de KPI que utiliza coincidan con las tuyas, y pruébala primero en una sola línea.

Temas relacionados para explorar

• Jerarquías de KPI. Cómo se agregan los valores de línea, turno, departamento y planta sin recalcular en cada nivel.
• Fuentes de datos para el modelo. Qué datos del ERP, de las máquinas y manuales alimentan el modelo, y cómo comprobar su calidad.
• Normalización entre plantas. Cómo comparar centros con distintos niveles de automatización sin penalizar a las plantas de alta variedad.
• Variación del personal en los modelos. Qué efectos de operarios y turnos merece la pena modelar, y cuáles añaden complejidad sin aportar beneficio.
• Del plan a lo real. Cómo comparar el escenario elegido con los KPI reales una vez que el cambio entra en producción.

Siguiente paso

El seguimiento de KPI en las simulaciones de fabricación compensa cuando el modelo y la planta hablan los mismos números. Toma tu próxima pregunta de simulación, escribe la ficha de KPI en una página con la fórmula, la base temporal y la unidad, y compárala con un periodo real pasado antes de ejecutar el primer escenario.